基于一种加速PD型迭代学习控制算法的机械臂轨迹跟踪

针对二自由度机械臂非线性系统,迭代学习控制(iterative learning control,ILC)对于具有重复运动特性的机械臂有较好的控制效果。在扰动的情况下,设计了一种PD型迭代学习控制律,随着系统迭代次数的不断增加,通过在区间内对增益矩阵进行实时修改来缩短所需的修正区间,进而达到加快收敛速度的目的。首先,结合λ范数分析ILC的收敛性。其次,通过仿真验证所提出控制策略的可行性和有效性。最后,在相同条件下,仿真结果表明,PD型ILC收敛速度比P型ILC更快;带有扰动的PD型ILC比传统扰动型PD控制收敛效果更好。

执行器失效故障的PD型迭代学习容错控制

针对发生执行器失效故障的时变控制系统,提出了一种基于迭代学习律的容错控制方法。该方法采用了PD型迭代学习控制律,利用重复过程的批次信息反复进行迭代学习,缩小控制器的输出误差,跟踪系统预设的期望轨迹。随后,利用算子理论和范数论证了系统保持鲁棒稳定和良好跟踪性能的充分条件。该条件能够有效抑制执行器故障,将系统的实际输出收敛在预设轨迹的邻域内。仿真结果说明,此算法收敛速度快,不仅能确保故障系统渐进稳定,而且具有良好的跟踪性能,是一种易于实现并且稳定、有效的容错控制算法。

具有自适应非线性增益的开环PD型迭代学习控制

针对同时存在周期性干扰和随机测量噪声的一类非线性系统,提出一种基于误差幅值和误差变化率的开环PD型迭代学习非线性增益自适应算法,分别给出了比例和微分的增益调整规则,并对所提算法进行了严格的理论分析,同时推导出收敛条件。结果表明,与传统学习增益固定的开环PD型迭代学习律相比,当非线性系统同时存在周期性扰动和幅值较大测量噪声时,自适应非线性增益学习律能根据误差幅值和误差变化率在线调整比例和微分学习增益,抑制扰动和噪声,使得在学习收敛速度和收敛精度之间在某种程度上得以折中,在学习初始阶段高增益下保证了迭代学习的收敛速度,学习末了阶段小增益下具有较强的鲁棒性和收敛精度,得到的误差跟踪曲线更加平滑。

基于迭代学习控制的电液力控制系统

电液力控制系统是一个高度非线性而且参数不确定的非线性时变系统,传统的PID控制策略难以取得让人满意的结果。为了使电液力控制系统拥有较好的控制效果,文中提出迭代学习控制策略。采用开环PD的控制策略设计控制器,最后通过Matlab软件对其进行仿真,仿真结果表明,该控制策略可以提高系统的控制精度,提升系统的响应速度。